1. Introduction et Contexte

• Présentation des objectifs de l’analyse
• Description du jeu de données

2. Visualisations Clés

• Distribution de la variable “Exited”
• Analyse par pays de résidence et genre _ Analyse des variables démographiques (âge, score de crédit)
• Analyse de l’engagement des clients et de l’utilisation des produits bancaires
• arbre de décision

3. Interprétation des Résultats

• Identification des facteurs clés influençant la fidélité des clients
• Insights tirés des visualisations

4. Recommandations Stratégiques

• Actions suggérées pour améliorer la fidélité des clients
• Stratégies d’engagement et de satisfaction client

5. Conclusion

• Résumé des points principaux
• Perspectives et prochaines étapes

2.1 Histogramme de la variable Exited

• Taux de rétention élevé : Le pourcentage élevé de clients restant fidèles à la banque (79,63%) suggère un taux de rétention relativement important. Cela peut être le signe d’une bonne satisfaction client, de produits et services compétitifs, ou encore d’une relation solide établie avec la clientèle.
• Taux de churn (résiliation) modéré : Le taux de churn, bien que présent, semble être modéré (20,37%). Cela indique qu’un certain nombre de clients ont décidé de mettre fin à leur relation avec la banque.

Malgré un taux de rétention élevé, il est crucial d’analyser plus en détail les raisons qui ont poussé les 20,37% des clients à partir. Une étude approfondie de ces départs pourrait permettre d’identifier des pistes d’amélioration pour réduire le taux de churn à l’avenir.

2.2 Analyse par pays de résidence et genre

• Analyse par pays de résidence

Les taux de churn en France et en Espagne(16%) sont relativement similaires, et inférieur à celui de l’Allemagne(32%). Des analyses plus approfondies pourraient être nécessaires pour comprendre si ces différences sont statistiquement significatives et si elles sont liées à des facteurs culturels, économiques ou liés aux produits et services offerts.

• Analyse par genre

Le graphique montre que, le taux de départ des hommes est de 16.5% soit 898 hommes. tandis que 83.5% sont toujours à la banque.

Le graphique montre que, le taux de départ des femmes est de 25.1% soit 1139 hommes. tandis que 74.9% sont toujours à la banque. Ainsi le taux de départ des femmes(25,1%) soit 1139 femmes est supérieur à celui des hommes( 16%) soit 898 hommes. Nous allons chercher à comprendre avec les analyses profond cette tendance.

2.3 Analyse des variables démographiques (âge, score de crédit)

• Boxplot pour Age par Exited

• Boxplot pour CreditScore par Exited

• Boxplot pour Balance par Exited

2.4 Analyse de l’engagement des clients et de l’utilisation des produits bancaires

• Histogrammes empilés pour NumOfProducts par Exited

• Clients avec un seul produit : Il semble y avoir une proportion peu élevée(27,71%) de clients ayant un seul produit qui ont décidé de partir.
• Clients avec deux produits : Nous avons une proportion faible(7,58%) de clients ayant 2 produits qui ont décidé de partir.
• Clients avec 3 ou 4 produits : Nous avons une proportion élevée (82,71%) de clients ayant 3 produits qui ont décidé de partir.Aussi une proportions très élevée (100%) de clients ayant 4 qui ont décidé de partir soit 60 personnes

Nous pouvons peut-être remarqué que le taux de churn est dû au nombre de produit que possède un client.Il serait intéressant d’analyser les raisons spécifiques qui poussent les clients ayant plusieurs produit à partir. Des enquêtes de satisfaction client pourraient apporter des éclairages sur ce point.

• Histogrammes empilés pour HasCrCard par Exited

Pas de différence significative: Le graphique indique qu’il n’y a pas de différence significative entre les clients possédant une carte de crédit et ceux qui n’en possèdent pas en termes de taux de départ. Les deux barres sont presque identiques en hauteur et en proportion de couleurs.La possession d’une carte de crédit ne semble pas être un facteur déterminant dans la décision de quitter la banque.

• Histogrammes empilés pour IsActiveMember par Exited

Le graphique indique qu’il ’y a une légère différence entre les membres actifs(14%) et les membres non actifs (26,85%) en termes de taux de départ.

2.5 Visualisation 3D

Ce graphique interactif en 3D nous permettra de montrer des tendances et des relations complexes entre différentes variables

2.6 Arbre de décision

Ce graphique permet de créer un arbre de décision pour prédire si un client va quitter la banque en fonction de diverses caractéristiques. Les nœuds de l’arbre montreront les différentes conditions et les feuilles indiqueront les prédictions de la variable Exited.